文档反馈

问题文档片段

问题文档片段包含公式时，显示为空格。

提交类型

issue

有点复杂...

找人问问吧。

PR

小问题，全程线上修改...

一键搞定！

请选择提交类型

问题类型

规范和低错类

- 规范和低错类：

- 错别字或拼写错误，标点符号使用错误、公式错误或显示异常。

- 链接错误、空单元格、格式错误。

- 英文中包含中文字符。

- 界面和描述不一致，但不影响操作。

- 表述不通顺，但不影响理解。

- 版本号不匹配：如软件包名称、界面版本号。

易用性

- 易用性：

- 关键步骤错误或缺失，无法指导用户完成任务。

- 缺少主要功能描述、关键词解释、必要前提条件、注意事项等。

- 描述内容存在歧义指代不明、上下文矛盾。

- 逻辑不清晰，该分类、分项、分步骤的没有给出。

正确性

- 正确性：

- 技术原理、功能、支持平台、参数类型、异常报错等描述和软件实现不一致。

- 原理图、架构图等存在错误。

- 命令、命令参数等错误。

- 代码片段错误。

- 命令无法完成对应功能。

- 界面错误，无法指导操作。

- 代码样例运行报错、运行结果不符。

风险提示

- 风险提示：

- 对重要数据或系统存在风险的操作，缺少安全提示。

内容合规

- 内容合规：

- 违反法律法规，涉及政治、领土主权等敏感词。

- 内容侵权。

请选择问题类型

问题描述

点击输入详细问题描述，以帮助我们快速定位问题。

提交

文档反馈

mindspore.train.ConfusionMatrixMetric

class mindspore.train.ConfusionMatrixMetric(skip_channel=True, metric_name='sensitivity', calculation_method=False, decrease='mean')

计算与混淆矩阵相关的度量。

该计算基于全尺度张量，并收集批处理平均值、类通道数和迭代数。此函数支持计算参数metric_name的描述中列出的所有度量名称。

• 如果要使用混淆矩阵计算，如"PPV"、"TPR"、"TNR"，请使用此类。

• 如果只想计算混淆矩阵，请使用 mindspore.train.ConfusionMatrix 。

参数：

• skip_channel (bool) - 是否跳过预测输出的第一个通道的度量计算。默认值： True 。

• metric_name (str) - 建议采用如下指标。当然，也可以为这些指标设置通用别名。 取值范围：["sensitivity", "specificity", "precision", "negative predictive value", "miss rate", "fall out", "false discovery rate", "false omission rate", "prevalence threshold", "threat score", "accuracy", "balanced accuracy", "f1 score", "matthews correlation coefficient", "fowlkes mallows index", "informedness", "markedness"]。 默认值： "sensitivity" 。

• calculation_method (bool) - 如果为 True ，则计算每个样本的度量值。如果为 False ，则累积所有样本的混淆矩阵。 对于分类任务， calculation_method 应为 False 。默认值： False 。

• decrease (str) - 定义减少一批数据计算结果的模式。仅当 calculation_method 为 True 时，才生效。 取值范围：["none", "mean", "sum", "mean_batch", "sum_batch", "mean_channel", "sum_channel"]。默认值： "mean" 。

支持平台：

Ascend GPU CPU

样例：

>>> import numpy as np
>>> from mindspore import Tensor
>>> from mindspore.train import ConfusionMatrixMetric
>>>
>>> metric = ConfusionMatrixMetric(skip_channel=True, metric_name="tpr",
...                                   calculation_method=False, decrease="mean")
>>> metric.clear()
>>> x = Tensor(np.array([[[0], [1]], [[1], [0]]]))
>>> y = Tensor(np.array([[[0], [1]], [[0], [1]]]))
>>> metric.update(x, y)
>>> avg_output = metric.eval()
>>> print(avg_output)
[0.5]

clear()

重置评估结果。

eval()

计算混淆矩阵度量。

返回：

numpy.ndarray，计算的结果。

update(*inputs)

使用预测值和目标值更新状态。

参数：

• inputs (tuple) - y_pred 和 y 。 y_pred 和 y 是 Tensor 、列表或数组。

  • y_pred (ndarray) - 待计算的输入数据。格式必须为one-hot，且第一个维度是batch。 y_pred 的shape是 $(N,C,...)$ 或 $(N,...)$ 。 对于分类任务， y_pred 的shape应为 $(B,N)$ ，其中N大于1。对于分割任务，shape应为 $(B,N,H,W)$ 或 $(B,N,H,W,D)$ 。

  • y (ndarray) - 计算度量值的真实值。格式必须为one-hot，且第一个维度是batch。 y 的shape是 $(N,C,...)$ 。

异常：

• ValueError - 输入参数的数量不等于2。